基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別分析研究

許毓曉

摘? 要： 針對傳統(tǒng)舞蹈動作步態(tài)輪廓識別方法識別率不高的問題，提出一種基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別方法。首先，提取AVI視頻中的舞蹈步態(tài)輪廓目標，隨機定格選取AVI視頻中含有舞蹈動作的某幀，使用圖像塊標記矩陣計算選取的舞蹈動作，判斷選取的視頻圖像是否為前景區(qū)，使用Camshift算法計算得到輪廓目標;然后，劃分舞者的輪廓為11個步態(tài)輪廓點，建立輪廓步態(tài)周期計算公式，對舞蹈動作步態(tài)輪廓進行跟蹤，采用輪廓線向縱軸中心線投影劃分舞蹈動作步態(tài)，計算步態(tài)輪廓變化的距離，調用含有輪廓變化過程的Weizmann行為數(shù)據(jù)庫，實現(xiàn)舞蹈動作步態(tài)輪廓的自動識別。實驗結果表明，與傳統(tǒng)識別方法相比，基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別方法識別率更高，更適合識別舞蹈動作步態(tài)輪廓。

關鍵詞： 舞蹈動作; 步態(tài)輪廓識別; AVI視頻; 步態(tài)輪廓跟蹤; 舞蹈步態(tài)劃分; 動態(tài)距離計算

Abstract： In allusion to the low recognition rate of the traditional dance movement gait contour recognition methods， a method of dance movement gait contour dynamic recognition based on AVI video is proposed. The dance gait contour object in AVI video is extracted， and some frame of dance movement in AVI video is selected in random freeze?frame. The image block marker matrix is used to calculate the selected dance movement and judge whether the selected video image is the front scenic spot. The contour object is obtained by means of the Camshift algorithm， and then the dancer′s contour is divided into 11 gait contour points to establish the contour gait cycle calculation formula. The dance movement gait contour is tracked， the dance movement gait is divided by means of projecting the contour line onto the vertical axis center line， the distance of gait contour change is calculated， and the Weizmann behavior database including the contour change process is called to realize the automatic recognition of dance action gait contour. The experimental results show that， in comparison with the traditional recognition method， the dance movement gait contour dynamic recognition based on AVI video has higher recognition rate and is more suitable for the recognition of dance movement gait contour.

Keywords： dance movement; gait contour recognition; AVI video; gait contour tracking; dance gait partition; dynamic distance calculation

0? 引? 言

步態(tài)指的是人體步行時的姿態(tài)和行為特征，人體通過髖、膝、踝、足趾的一系列連續(xù)活動，使身體沿著一定方向移動的過程[1]。AVI視頻是一種音頻視頻交錯的表達形式。隨著圖像、視頻等數(shù)據(jù)的產(chǎn)生，如何識別視頻中的動作步態(tài)逐漸成為研究的重點。隨著視覺領域基于視頻的人體運動姿態(tài)的研究進展，計算機圖形和視覺研究人員都可以從舞蹈動作的輪廓變化獲取舞蹈運動數(shù)據(jù)，分析舞者關節(jié)的運動變化，以便指導、糾正舞蹈訓練者的動作，增強舞者的學習效果[2]。傳統(tǒng)的動態(tài)識別方法識別率不高，無法識別出細節(jié)的舞蹈動作中的關節(jié)變化，識別效果不好。本文針對這一不足，研究一種基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別分析方法。

1? 基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別分析研究

1.1? 提取AVI視頻中的舞蹈步態(tài)輪廓目標

提取AVI視頻中的舞蹈運動目標時，先準備一段含有舞蹈動作的AVI視頻[3]，定格一個畫面的舞蹈動作，如圖1所示。

定格視頻中的圖像后，先判斷當前圖像是否是前景候選區(qū)[4]。為了減少判斷處理的數(shù)據(jù)量，將選取的圖1圖像先利用圖像塊時空條件信息進行二次檢驗，提高檢驗精度[5]。然后使用圖像塊標記矩陣計算舞蹈運動目標，得到：

式中：[LIB]表示圖像塊標記矩陣;[m，n]是圖像中舞者的坐標位置;[tSAD]表示圖像塊差分分類閾值;[IBSCI]表示圖像塊時空條件信息;[tIBSCI]為其分類閾值;1表示前景;0表示背景;2表示選取背景。當選取的視頻舞蹈動作的圖像塊是前景候選區(qū)時，利用圖像塊時空條件信息進行二次檢測，將檢驗后的視頻圖像前景，使用Camshift算法計算得到舞蹈動作步態(tài)輪廓目標：

式中，[Fkx，y]和[Bkx，y]分別為原始視頻和前景候選區(qū)之間的像素灰度值。提取AVI視頻中舞蹈步態(tài)輪廓目標后，跟蹤計算舞蹈動作步態(tài)輪廓，完成步態(tài)輪廓識別的分析研究[6]。

1.2? 舞蹈動作步態(tài)輪廓跟蹤

跟蹤舞蹈動作步態(tài)輪廓時，先將舞者的步態(tài)輪廓點劃分為如圖2所示的11個步態(tài)輪廓點。

將提取出的舞蹈步態(tài)輪廓目標，在舞蹈過程中的移動劃分為足跟著地期、承重反應期、站立中期、站立末期、蹬離期、預擺期、擺動早期、擺動中期、擺動末期、足跟再次著地等9個時間段[7]。并且在實際舞蹈的過程中，這9個時間段會跟隨著圖2中的各個點反復出現(xiàn)，表現(xiàn)出一定的規(guī)律性和周期性。建立舞蹈動作步態(tài)輪廓周期計算公式，得到：

式中：[t]為[t+θ]對[T+2T1]的取模;[T]為一個步態(tài)周期的時間長度;[T1]為舞蹈過程中點8與點7雙支撐的時間;[θ]為初始相角。得到舞蹈步態(tài)周期函數(shù)對應的變化如圖3所示。

圖3中，當處于正相位時，表示左腳（右腳）觸地、著地、離地的整個過程[8?9]。與此相反，當處于負相位時，表明右腳（左腳）的觸地、著地、離地的整個過程。實際追蹤時，不斷改變舞蹈位移模型，可以實時跟蹤到舞蹈動作在整個跟蹤空間中的步長、運動速度等信息，利用步態(tài)周期模型和位移模型進行跟蹤，最終得到的足跡跟蹤如圖4所示。

由圖4可知，在實際跟蹤時，劃定一個跟蹤網(wǎng)格區(qū)域，依據(jù)數(shù)值的變化，得到最終跟蹤結果[10]。

1.3? 實現(xiàn)舞蹈動作步態(tài)輪廓的自動識別

在實現(xiàn)舞蹈動作步態(tài)輪廓的自動識別前，計算圖4足跡跟蹤的距離，現(xiàn)將步態(tài)輪廓劃定為如圖5所示的圖a）中的目標區(qū)域。

采用輪廓線向縱軸中心線投影，將舞者看成橢圓形運動目標，如圖5中的圖b）所示。為了得到更多的距離數(shù)值，使用縱軸中心線劃定圖b），得到圖5中的圖c），可以看出，舞者的腿部出現(xiàn)了兩條輪廓線，外側遠離中心線的輪廓線更能反映出步態(tài)的輪廓特征，得到圖d）的跟蹤距離di。為了保證數(shù)據(jù)的精準性，調用含有圖5的4個行為過程的Weizmann行為數(shù)據(jù)庫，抽取出含有步態(tài)輪廓的100張左右的圖像，將每個圖像的抽取間隔設置為每30幀選取1張，共選取30張，調整選取出的30張圖像的舞蹈行為在同一變化周期上。最終得到動態(tài)的足跡跟蹤距離變化。實現(xiàn)舞蹈動作步態(tài)輪廓的自動識別時，得到最終的足跡跟蹤距離，完成對舞蹈動作步態(tài)輪廓動態(tài)識別。

2? 實? 驗

2.1? 劃分舞蹈步態(tài)數(shù)據(jù)集

劃分舞蹈步態(tài)數(shù)據(jù)集前，采用人沿曲線行走的步態(tài)數(shù)據(jù)。將實驗場地劃分出地面白線，讓舞者以劃定的白線為基準逆時針沿線繞行3個周期，等待數(shù)據(jù)采集完成后，利用ipi Mocap Stuadio軟件對捕獲的輪廓數(shù)據(jù)的每幀進行預處理和矯正。定義以右腳跟離地為一個步態(tài)周期開始，右腳跟著地為一個步態(tài)周期，共統(tǒng)計60個舞者的步態(tài)輪廓數(shù)據(jù)。

隨機將60個人分為3組，每組20人。將其中的2組作為訓練集，1組為測試集。在測試集的20個人步態(tài)輪廓數(shù)據(jù)中，每個人取4組作為參考數(shù)據(jù)集，三折交叉驗證訓練集與測試集，得到如表1所示的輪廓參數(shù)。

將上述10組舞蹈數(shù)據(jù)使用兩種傳統(tǒng)舞蹈動作步態(tài)輪廓識別方法與基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別分析方法進行識別，統(tǒng)計計算三種識別方法的識別率。

2.2? 實驗結果分析

規(guī)定以準備的10步的舞蹈步態(tài)輪廓數(shù)據(jù)組為基準，成功識別著地時刻、離地時刻、足跡面積、著地時間、單幀平均壓力值、騰空時間和單步單幀最大壓力值記為一次成功識別，記錄三種方法可以識別10組參數(shù)的個數(shù)，得出三種識別方法最終的識別率，如圖6所示。

由圖6識別率實驗結果可知，傳統(tǒng)識別方法1隨著識別數(shù)據(jù)組的增多，最終平均識別率維持在78%左右。傳統(tǒng)識別方法在識別10組數(shù)據(jù)組時，平均識別率在80%左右;使用基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別方法，隨著數(shù)據(jù)組個數(shù)的不斷增加，識別率最終為100%，平均識別率在95%左右，識別率更高，更適合舞蹈動作步態(tài)輪廓識別。

3? 結? 語

隨著信息技術的快速發(fā)展，人們可以利用圖像或視頻作為信息載體，研究舞蹈動作步態(tài)輪廓的變化信息時，可幫助識別舞蹈動作中的細微輪廓變化。傳統(tǒng)的步態(tài)輪廓動態(tài)識別方法，識別率不高，無法識別出舞蹈動作中的細小變化，而基于AVI視頻的舞蹈動作步態(tài)輪廓動態(tài)識別方法可以隨著識別參數(shù)的不斷增多，能保持識別的準確性，識別效果更好，對動態(tài)識別步態(tài)輪廓有著發(fā)展性意義。

參考文獻

[1] 呂卓紋，王一斌，邢向磊，等.加權CCA多信息融合的步態(tài)表征方法[J].智能系統(tǒng)學報，2019，14（3）：449?454.

[2] 陸付祥.基于特征提取的健美操分解動作圖像自適應識別方法[J].科學技術與工程，2019，19（7）：148?153.

[3] 蘭紅，方治嶼.3維灰度矩陣的鋼板缺陷圖像識別[J].中國圖象圖形學報，2019，24（6）：859?869.

[4] 翁政魁，管業(yè)鵬，羅宏杰.基于機器視覺古陶瓷無損分類識別[J].硅酸鹽學報，2017，45（12）：1833?1842.

[5] 肖夏陽，文劍，肖中亮，等.基于雷達波的樹木軀干內部缺陷探測識別[J].林業(yè)科學，2018，54（5）：127?134.

[6] 李大華，趙輝，于曉.基于改進譜聚類的重疊綠蘋果識別方法[J].光譜學與光譜分析，2019，39（9）：2974?2981.

[7] 張浩，李向春，楊倩，等.水下氣泡光學圖像識別方法[J].紅外與激光工程，2019，48（3）：270?276.

[8] 李新宇，王長江，陳維毅.一種新型膝關節(jié)假體在步態(tài)過程中接觸應力的有限元仿真[J].醫(yī)用生物力學，2017，32（6）：494?499.

[9] 錢明輝，徐志軒.基于機器學習的消費者品牌決策偏好動態(tài)識別與效果驗證研究[J].南開管理評論，2019，22（3）：66?76.

[10] 宋朝鋒，張紅娟，靳寶全，等.超級電容儲能系統(tǒng)的狀態(tài)識別與動態(tài)控制設計[J].電機與控制應用，2018，45（5）：20?24.